T.C.
KIRIKKALE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
YÜKSEK LİSANS TEZİ
ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI
ALTERNATİF SOSYAL KATMANLARIN BİLİŞSEL ALIŞVERİŞ SEPETLERİNİN VERİ MADENCİLİĞİ İLE İNCELENMESİ
VE UYGULANMASI
SEREN SEZEN KARALÖK
EYLÜL 2019
i ÖZET
ALTERNATİF SOSYAL KATMANLARIN BİLİŞSEL ALIŞVERİŞ SEPETLERİNİN VERİ MADENCİLİĞİ İLE İNCELENMESİ
VE UYGULANMASI
KARALÖK, Seren Sezen Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü
Endüstri Mühendisliği Ana Bilim Dalı, Yüksek Lisans Tezi Danışman: Prof. Dr. Süleyman ERSÖZ
Eylül 2019, 117 sayfa
İnsanlık tarihinin başlangıcından günümüze kadar geçen sürede, edinilmiş ve aktarılmış her bilginin temeli veriye dayanmaktadır. Gelişen teknoloji ve küreselleşme ile beraber veri kavramı çok büyük bir alana yayılmış ve artan veriyi depolama sorunu ortaya çıkmıştır. Ardından depolanan yığın veri içinden işe yarar, anlamlı bağıntılar çıkartmayı sağlayan ve bilgiye ulaşmaya yardımcı olacak veriyi elde etme problemi doğmuştur. Bu noktada çözüm olarak önce veri tabanlarında bilgi keşfi çalışmaları başlamıştır, sonra ise veri madenciliği kendini göstermiştir. Veri madenciliği, hacmi büyük veri yığınları içerisinden anlamlı ve işe yarar veriler bulma işlemine denmektedir. Bu çalışmada, veri madenciliği çalışmalarında sık kullanılan birliktelik kuralları ile market sepet analizi yapılmıştır. Perakendecilik sektöründe öncü zincir marketlerden biri olan Migros Ticaret A.Ş. firmasının sosyal katman olarak farklı iki mağazasından edinilen fiş bilgilerinden yararlanılmıştır. Sosyal katmanların tüketici davranışlarına etkilerinin belirlenebilmesi için düzeyleri farklı iki mağaza tercih edilmiştir. Çalışma verileri, SPSS Clementine programında Apriori algoritması kullanılarak analiz edilmiştir. Analiz sonucunda farklı sosyal katmanlarda bulunan tüketicilerin alışveriş alışkanlıkları incelenmiştir ve farklılıklar tespit edilmiştir. Elde edilen sonuçlar ışığında firmaya tavsiyelerde bulunulmuştur.
Anahtar Kelimler: Tüketici Davranışları, Veri Madenciliği, Birliktelik Kuralları, Market Sepet Analizi
ii ABSTRACT
ANALYSING AND APPLICATION OF ALTERNATIVE SOCIAL LAYERS AND COGNITIVE MARKET BASKET
WITH DATA MINING
KARALÖK, Seren Sezen Kırıkkale University
Graduate School of Natural and Applied Sciences Department of Industrial Engineering, M. Sc. Thesis
Supervisior: Prof. Dr. Süleyman ERSÖZ September 2019, 117 pages
From the beginning of human history to the present day, the basis of each acquired and imparted knowledge is based on data. With the developing technology and globalization, the concept of data has spread to a large area and the problem at increasing data storage has emerged then the problem of acquiring data, which is useful for extracting meaningful correlation from the stored mass data and helpful for accessing the information, has arase. At this point, as a solution; information discovery studies have started in the databases and than data mining has rised to the occasion. Data mining is called that the task of finding meaningful and useful data from large volumes of data. In this study, market basket analysis was conducted with using association rules that are frequently used in data mining studies. The receipted information obtained from two different (according to social layer) Migros stores, which is one of the leading chain stores in the retailing sector, was used. Two stores with different levels were preferred in order to determine the effects of social layers on consumer behavior. The study data were analyzed with using Apriori algorithm in SPSS Clementine program. As a result of analysis, shopping hobbits of consumers in different social layers were examined and differences were determined. According to the results, recommendations were made to the company.
Keywords: Consumer Behavior, Data Mining, Association Rules, Market Basket Analysis.
iii TEŞEKKÜR
Yüksek lisans tez çalışmam süreci boyunca bana yol gösteren ve tecrübelerini ve desteğini esirgemeyen danışmanım ve çok değerli Prof. Dr. Süleyman ERSÖZ hocama, çalışmam konusunda yardımlarını esirgemeyen bir diğer hocam Dr. Öğr.
Üyesi Adnan AKTEPE’ye,
Yüksek lisans çalışmamın uygulama bölümü için kullandığım her türlü veri ve manevi desteği sağlayan değerli Migros Ticaret A.Ş. çalışanı Tiryal DEMİRKILINÇ’a,
Bugünlere gelirken bana, olabilecek en büyük desteği veren ve bana pes etmemeyi daima yolumda devam etmem gerektiğini öğreten çok kıymetli annem Gül TEKİNAY’a, canım ağabeyim Alperen KARALÖK’e, babam Cengiz KARALÖK’e ve daima desteğini bilip hissettiğim dayım Acil 112 Müdürü Muhammet Ali TEKİNAY’a teşekkürlerimi sunarım.
Eylül 2019 Seren Sezen Karalök (Endüstri Mühendisi)
iv
İÇİNDEKİLER
Sayfa
ÖZET ... i
ABSTRACT ... ii
TEŞEKKÜR ... iii
İÇİNDEKİLER ... iv
ÇİZELGELER DİZİNİ ... vi
ŞEKİLLER DİZİNİ ... vii
1.GİRİŞ ... 1
2.LİTERATÜR ARAŞTIRMASI ... 3
3. SOSYAL KATMANLARA GÖRE DEĞİŞEN TÜKETİCİ ALIŞKANLIKLARI ... 12
3.1. Tüketim Kavramı ... 12
3.2. Tüketici Davranışları ... 15
4. VERİ MADENCİLİĞİ ... 21
4.1. Veri Madenciliğine Genel Bakış ... 21
4.1.1. Veri Tabanları ve Veri Ambarları ... 22
4.1.2. Veri Tabanlarında Bilgi Keşfi ... 23
4.1.3. Veri Madenciliği Tanımları... 24
4.2. Veri Madenciliği Modelleri ve Teknikleri ... 26
4.2.1. Tahmin Edici Modeller ve Teknikler ... 27
4.2.1.1. Sınıflandırma ... 27
4.2.1.1.1. Karar Ağaçları ... 28
4.2.1.1.2. Yapay Sinir Ağları ... 29
4.2.1.1.3. Genetik Algoritmalar ... 30
4.2.1.1.4. Naive – Bayes ... 30
4.2.1.1.5. K – En Yakın Komşu ... 31
4.2.1.2. Regresyon Analizi ... 32
v
4.2.2. Tanımlayıcı Modeller ve Teknikler ... 32
4.2.2.1. Kümeleme Analizi ... 32
4.2.2.2. Birlikelik Kuralları ve Ardışık Zamanlı Örüntüler ... 33
4.3. Veri Madenciliğinde Kullanılan Yazılımlar... 33
4.3.1. Ticari Yazılımlar ... 34
4.3.2. Açık Kaynak Kodlu Yazılımlar ... 35
5. BİRLİKTELİK KURALLARI ... 38
5.1. Birliktelik Kuralarının Matematiksel Modeli... 39
5.2. Birliktelik Kuralları Algoritmaları ... 41
5.2.1. Apriori Algoritması ... 41
5.2.2. AIS Algoritması ... 48
5.2.3. Apriori Tid Algoritması ... 48
5.2.4. Apriori – Hybrid Algoritması ... 49
5.2.5. SETM Algoritması ... 50
6. MARKET SEPET ANALİZİ UYGULAMASI ... 51
6.1. Firma ve Çalışma Hakkında ... 51
6.2. Amaç ve Önem ... 52
6.3. Verilerin Toplanması ve Verilerin Düzenlenmesi ... 53
6.4. Birliktelik Kuralları ile İlişkilerin Belirlenmesi ... 59
7. SONUÇ VE DEĞERLENDİRME ... 96
KAYNAKLAR ... 111
vi
ÇİZELGELER DİZİNİ
ÇİZELGE Sayfa
Çizelge 4. 1. Veri Madenciliği Teknikleri ... 27
Çizelge 4. 2. Veri Madenciliği Yazılımları ... 33
Çizelge 5. 1. Sepet Bilgileri İçin Veritabanı ... 42
Çizelge 5. 2. Tekli Birliktelikler İçin Destek Değeri ... 43
Çizelge 5. 3. Minimum Destek Değeri Koşuluna Uyan Ürünler ... 43
Çizelge 5. 4. İkili Birliktelikler İçin Destek Değerleri ... 44
Çizelge 5. 5. İkili İlişki Tablosu ... 45
Çizelge 5. 6. Üçlü Birliktelikler İçin Destek Değerleri ... 45
Çizelge 5. 7. Üçlü İlişki Tablosu ... 46
Çizelge 5. 8. Üçlü İlişkilerden Elde Edilen Birliktelik Kuralları ... 47
Çizelge 6. 1. Veri Setlerindeki Ürün Sayısı ve Ürün Ana Grupları ... 53
Çizelge 6. 2. A Mağazası için Pareto Analizi ile Belirlenen Ürünler ... 55
Çizelge 6. 3. B Mağazası için Pareto Analizi ile Belirlenen Ürünler ... 56
Çizelge 6. 4. Güven değeri %98,8’in üzerinde kalan birliktelikler, A Mağazası ... 69
Çizelge 6. 5. Güven değeri %82,5’in üzerinde kalan birliktelikler, B Mağazası ... 87
vii
ŞEKİLLER DİZİNİ
ŞEKİL Sayfa
Şekil 4. 1. Bilgi Hiyerarşisi [50] ... 25
Şekil 4. 2. Karar Ağacı Yapısı ... 29
Şekil 6. 1. A mağazası için pasta grafiği ... 56
Şekil 6. 2. B mağazası için pasta grafiği ... 58
Şekil 6. 3. SPSS Clementine’de Kaynak Belirleme Ekranı ... 59
Şekil 6. 4. SPSS Clementine Veri Giriş Ekranı ... 60
Şekil 6. 5. SPSS Clementine Veri Türü ve Yönü Belirleme Ekranı, A Mağazası ... 61
Şekil 6. 6. Type Modülü Ekranı, A Mağazası ... 62
Şekil 6. 7. SPSS Clementine Table Ekranı, A mağazası ... 63
Şekil 6. 8. SPSS Clementine Algoritma Seçimi Ekranı, A Mağazası ... 64
Şekil 6. 9. SPSS Clementine Apriori Algoritması Ekranı, A Mağazası ... 65
Şekil 6. 10. SPSS Clementine Modeli, A Mağazası ... 66
Şekil 6. 11. SPSS Clementine Apriori Algoritması, %98,5 Güven Değeri ile Sonuç Ekranı, A Mağazası ... 67
Şekil 6. 12. SPSS Clementine SPSS Clementine Apriori Algoritması, %85 Güven Değeri ile Sonuç Ekranı ... 68
Şekil 6. 13. SPSS Clementine, Distribution Modülü Ekranı, A Mağazası ... 74
Şekil 6. 14. Ürün kategorilerindeki dağılım, A Mağazası... 75
Şekil 6. 15. SPSS Clementine Web Modülü Ekranı, A Mağazası ... 76
Şekil 6. 16. SPSS Clementine, Web Modülü Çıktısı Ekranı, A Mağazası ... 77
Şekil 6. 17. SPSS Clementine, Ürün Bazlı Web Modülü Çıktısı Ekranı, A Mağazası ... 78
Şekil 6. 18. SPSS Clementine Veri Türü ve Yönü Belirleme Ekranı, B Mağazası ... 79
Şekil 6. 19. SPSS Clementine Type Modülü Ekranı, B Mağazası ... 80
Şekil 6. 20. SPSS Clementine Table Ekranı, B Mağazası ... 81
Şekil 6. 21. SPSS Clementine Algoritma Seçimi Ekranı, B Mağazası ... 82
Şekil 6. 22. SPSS Clementine Algoritma Seçimi Ekranı, B Mağazası ... 83
Şekil 6. 23. SPSS Clementine Modeli, B Mağazası ... 84
viii
Şekil 6. 24. SPSS Clementine Apriori Algoritması, %82,5 Güven Değeri ile Sonuç
Ekranı, B Mağazası ... 85
Şekil 6. 25. SPSS Clementine Apriori Algoritması, %80,5 Güven Değeri ile Sonuç Ekranı, B Mağazası ... 86
Şekil 6. 26. SPSS Clementine Distribution Modülü Ekranı ... 91
Şekil 6. 27. Ürün kategorilerindeki dağılım, B Mağazas ... 92
Şekil 6. 28. SPSS Clementine, Web Modülü Giriş Ekranı ... 93
Şekil 6. 29. SPSS Clementine, Web Modülü Çıktısı Ekranı, B Mağazası ... 94
Şekil 6. 30. SPSS Clementine, Ürün Bazlı Web Modülü Çıktısı Ekranı, B Mağazası ... 95
1 1.GİRİŞ
İnsanlığın varoluşundan bu güne kadar kat edilen bütün yolların aslı edinilen bilgi birikiminden geçmektedir. Bu birikimlerin tek başınayken anlam ifade etmeyen en küçük parçasına veri ve anlamlandırılmış veriye bilgi denmektedir. Bilgi;
saklanılması, saklandıktan sonra geliştirilmesi ve geliştirildikten sonra aktarılması gereken, biriktikçe olgu ve ilkelere dönüşen ürünlerin bütünüdür.
Günümüzde sürekli olarak artan veri, saklanma ihtiyacı duyularak veritabanı tanımını ortaya çıkartmaktadır. Gelişen teknoloji ve küreselleşme ile beraber artan ve saklanması zor görünen birçok veri, bu veritabanları sayesinde sahip olan kişi ve kuruluşlar tarafından depolanabilmektedir.
Depolandıkça hacmi büyüyen veri, kirli veri tanımını ortaya çıkartmaktadır. Kirli veri ihtiyaç duyulan ve ulaşılması gereken bilgiyi kapatmaktadır. Kapanmış ve karmaşıklaşmış bu veriler çoğaldıkça bu verileri işlemek için yeni metotlara ihtiyaç duyulmaktadır. Bununla beraber veri güvenliğinin önemi de her geçen gün veri artışı ile doğru orantılı olarak artmaktadır.
Gün geçtikçe artan bu sorunlar, yeraltında değerli maden bulma işlemine benzetildiğinden Veri Madenciliği olarak adlandırılan ve oldukça büyük miktarda veri içinden çeşitli bağıntılar ve kurallar elde ederek veri analizi yapan bu yöntemlerin bulunmasını sağlamıştır.
Bu zamana kadar yapılan çalışmalara bakıldığında içinde verinin olduğu her türlü alanda veri madenciliği tekniklerinin uygulandığı görülmektedir. Sektörde veri madenciliği, birliktelik kuralları ile market sepet analizi konusunda oldukça ilerlemiştir.
Bu çalışmanın amacı farklı eğitim, kültür ve gelir seviyelerindeki iki farklı bölgede yer alan ve ülke çapında geniş bir kitleye yayılıp her tür demografik kesime hitap eden sektöründe öncü marketler zinciri olan Migros Ticaret A.Ş. grubunun farklı iki marketinden alışveriş yapan insanların, alışveriş alışkanlıklarından yola çıkılarak
2
yeni bir birliktelik analizi modeli geliştirmek ve daha iyi hizmet ve müşteri memnuniyeti konusunda öneriler sunmaktır. Tercih edilen zincir grup, günümüzde çok geniş kullanım alanlarına sahip marketlerinde gıda ve genel ihtiyaç maddelerinin haricinde kırtasiye, kitap, züccaciye, beyaz eşya ve konfeksiyon gibi bölümleriyle müşterinin ihtiyaç duyduğu tüm gereksinimleri karşılamaktadır. Marketlerde ürün gruplarının bu şekilde geniş olması da birlikte satın alınan ürünlerin analizini önemli kılmaktadır.
Çalışmanın ikinci bölümünde, veri madenciliği, birliktelik kuralları ve market sepet analizi ile literatürde yapılan çalışmalar incelenmiş ve özetlenmiş şekilde sunulmuştur.
Çalışmanın üçüncü bölümünde, veri analizinin gelişmesini sağlayan Veri Madenciliği ve Veri Madenciliğinde Bilgi Keşfi süreçleri anlatışmış ve Veri Madenciliği yöntemlerinden bahsedilmiştir.
Çalışmanın dördüncü bölümünde, veri madenciliği modellerinden biri olan birliktelik kuralları hakkında bilgi verilmiştir. Kural için geliştirilen algoritmalardan bahsedilmiş ve algoritma seçimi yapılmıştır.
Çalışmanın uygulama bölümü olan beşinci bölümünde, sektöründe öncü market zincir grubundan alınan her iki veri seti de tercih edilen yöntemler ile işlenmiştir ve veri madenciliği yöntemlerinden olan birliktelik kuralları ile market sepet analizi çalışması yapılmıştır.
Çalışmanın son bölümünde ise, market sepet analizinden elde edilen kurallar ve bağıntılar yer almıştır, birlikte satın alınan ürün grupları belirlenmiştir ve değerlendirilip tartışılmıştır. Yapılan değerlendirmeler sonrasında verdiği hizmette artış sağlamak isteyen gruba yeni öneriler ve stratejiler sunulmuştur.
Bu çalışmada, sosyal katmanlar ifadesi sosyoloji bilimi ile ilgilidir.
3
2.LİTERATÜR ARAŞTIRMASI
Veri madenciliğinin ortaya çıkması, 1950 yılında icat edilen ve ENIAC olarak adlandırılan ilk bilgisayara dayanmaktadır. 1960’larda veri koleksiyonlarından veri tabanları oluşturulmaya başlamıştır. 1970’lerde veri tabanlarında veriler arasındaki ilişkileri görmek adına uygulamalar yapılmaya başlamıştır. 1989 yılında Veri Tabanlarında Bilgi Keşfi(VTBK)(Knowledge Discovery in Database-KDD) Çalışma Grubu toplantısı yapılmıştır. 1990’larda günlük işlemlerden geçen büyük miktarda verinin nasıl değerlendirilebileceği ve saklanacağı sorgulanmaya başlamıştır. 1992 yılında veri madenciliği ile ilgili ilk yazılım geliştirilmiştir. 2000’li yıllara geçildiğinde ise Veri Ambarları ve Veri Madenciliği çalışmaları hızla artmıştır.
Berry ve Linoff [1], veri madenciliğini, büyük miktardaki verinin, veriden anlamlı bağıntı ve kurallar çıkarılması amacıyla analizinin yapılması olarak tanımlamıştır.
Veri madenciliğinde kümeleme, tahmin, tanımlama ve görselleştirme, sınıflandırma ve birliktelik kuralları gibi teknikler kullanılmaktadır.
Literatüre bakıldığında veri madenciliği ile ilgili çok sayıda çalışma olduğu görülmektedir. Daha güncel bilgilerin görülmesi adına bu çalışmada son yıllarda uygulanan çalışmalara yer verilmiştir.
Gürgen [2], yaptığı çalışmada, veri madenciliği ve bir veri madenciliği yöntemi olan birliktelik kurallarını ayrıntılı olarak incelemiştir. Çalışmasında Türkiye’deki zincir marketlerden bir tanesinin 7 günlük fiş verisini kullanmıştır. Sonuca ulaşıp anlamlı örüntüler elde edebilmek için yine bir veri madenciliği uygulama türü olan sepet analizini ve Apriori algoritmasını kullanmıştır.
Baysal [3], çalışmasında, kendi sektöründe lider ve olan müşterilerine bayileri aracılığı ile ulaşan bir kuruluşun bayileri ile gerçekleştirdiği işlemler sonucunda elde ettiği veriler ve çalışması kapsamında bayilere ilişkin kişisel değerlendirmeleri elde edebilmek amacı ile hazırlanan anket verileri, veri madenciliği tekniklerinden biri olan kümeleme tekniği ile analiz edilerek Bayi Yönetim Sistemi için bayi profilleri modellemiştir.
4
Timor ve Şimşek [4], yaptıkları çalışmada, Türkiye perakende sektöründe yer alan büyük bir firmadan aldıkları verileri birliktelik kurallarında market sepet analizini kullanarak analiz etmiş ve müşterilerin satın alma davranışlarını etkileyen
değişkenleri belirlemişlerdir. Çalışmada SPSS Clementine programı kullanılmıştır.
Çalışma sonucunda müşterilerin satın alma davranışlarını etkileyen faktörler karar ağacı tekniği kullanılarak belirlenmiştir.
Albayrak vd. [5], yaptıkları çalışmada, İMKB 100 endeksinde sanayi ve hizmet sektörlerine dahil 173 işletmenin, belirli aralıktaki yıllara ait yıllık finansal göstergelerinden yararlanarak bir veri madenciliği tekniği olan karar ağaçları tekniğini uygulamışlardır. Çalışma sonucunda firmaları bulundukları sektörde birbiriden ayıran en önemli değişkenler saptanmıştır.
Bozkır [6], yaptığı çalışmada, veri madenciliği yönetim biliminin karar destek sistemleri için tercih edilebilirliğini ve önemini anlatmıştır. Çalışmasında, veri madenciliği tekniğini esas alan web tabanlı çevrimiçi bir karar destek ve raporlama aracı geliştirmiştir. Geliştirilen araç ile kullanıcılara web ortamında karar ağaçları, kümeleme ve birliktelik kuralları şeklinde veri madenciliği yöntemlerinden üç tanesi üzerinde analiz yapabilme imkanı sunmuştur.
Gülce [7], çalışmasında veri madenciliği ile ilgili kavramları ve özel olarak market sepet analizinde kullanılabilmesi için birliktelik kuralları üreten apriori algoritmasını ele almıştır. Bir anket veri setinden, apriori algoritması kullanılarak birliktelik kurallarını bulan bir uygulama geliştirilmiştir.
Seyrek vd. [8], çalışmalarında, Türk bankacılık sektöründe faaliyet gösteren mevduat bankalarına etkinlik ölçümünü veri zarflama analizi yönteminden yararlanarak yapmıştır. Elde edilen veriler kullanılarak banka etkinliği tahmininde en önemli finansal performans göstergelerinin neler olduğunu veri madenciliği tekniklerini kullanarak tespit etmişlerdir.
Bulut [9], yaptığı çalışmada, öğrencileri madde bağımlılığından korumak için aile ve okullar tarafından kullanılacak bir erken uyarı sistemi geliştirmiştir. Çalışmanın amacı, gelecekte bir öğrencinin madde bağımlısı olma riskini veri madenciliği, makine öğrenmesi ve örüntü tanıma bilim dallarında bulunan sınıflandırma
5
algoritmaları kullanılarak hesaplamaktır. Veri toplama metodu olarak anket yöntemi kullanılmıştır.
Gülçe [10], çalışmasında, çeşitli veri madenciliği yöntemleri kullanarak öğrencilerin akademik başarılarını belirleyen faktörlerin tespit etmiş ve başarısızlık riski taşıyan öğrencileri belirlemiştir.
Timor vd. [11], yaptıkları çalışmalarında, hazır giyim perakende sektöründe bulunan bir firmanın alışveriş kayıtları ile alışverişi gerçekleştiren müşteri verilerini birliktelik analizinde kullanarak müşterilerin alışveriş alışkanlıklarını belirlemeye çalışmıştır. Daha sonra da kümeleme analizi yöntemini kullanarak, müşteri portföyünü, demografik özellikler dikkate alınarak bölümlendirmiştir.
Ekim [12], çalışmasında, Selçuk Üniversitesinde kullanılan öğrenci işleri otomasyonundan elde edilen verileri kullanarak, öğrenciler hakkında gelecekle ilgili tahminde bulunabilmek adına gerekli birliktelik kurallarını kullanmıştır.
Çalışmasında Apriori algoritması ile karar ağacı algoritmasından yararlanmıştır.
Savaş vd. [13], yaptıkları çalışmada, veri madenciliğinin günümüzde nasıl bir noktada olduğuna değinmişlerdir ve Türkiye’de veri madenciliği adına yapılan çalışmaları incelemişlerdir.
Durdu [14], çalışmasında, veri madenciliğini kullanarak perakende sektöründe yer alan bir firma için, müşteri ilişkileri yönetimi aktivitelerine temel olabilecek bir yapı geliştirmiştir. Çalışmada müşteri ana verisi ve satış işlemleri, müşteri ilişkileri yönetimi için kullanılabilecek anlamlı verilere dönüştürülmüştür. Bu kapsamda, apriori algoritmasını kullanarak market sepet analizi yapmış ve birliktelik kurallarını bulan bir uygulama geliştirmiştir.
Çınar vd. [15], yaptıkları çalışmada, belirli miktarda uygulanan müşteri memnuniyeti anket sonucunda, memnun olma veya memnun olmama durumlarının bağlı olduğu ana ve gizli nedenleri ortaya çıkartmaya çalışmışlardır. Çalışmalarında K-Means ve C5.0 algoritmaları gibi veri madenciliği algoritmalarını kümeleme ve sınıflandırma yapmak için kullanmışlardır.
6
Alaeddinoğlu [16], çalışmasında, Van Gölü ile ilgili geçmiş yıllara ait edindiği verileri Apriori algoritması ile incelemiş ve Mekansal-Zamansal bir veri madenciliği uygulaması gerçekleştirmiştir. Böylece göl eşrafında alınması gereken önlemler ve yapılabilecek olası yatırımlar belirtilmek istenmiştir.
Ertuğrul vd. [17], yaptıkları çalışmada, veri madenciliği uygulama alanlarından biri olan sağlık sektöründen edindikleri verileri kullanmışlardır. Hastane bilgi yönetim sisteminde yer alan veriler kullanılarak gelen hasta profillerini belirlemeye çalışan bir uygulama yapmışlardır. Çalışma sonucunda sağlık personellerinin gelen hastalar hakkında daha net bilgiler edinmesini sağlayan bir karar destek mekanizması oluşturmaya çalışmışlardır.
Aktürk [18], yaptığı çalışmada, çalışanlara yöneticileri hakkında sorular sorarak anket çalışması yapmıştır. Araştırma sonuçlarını bazı anket analiz yöntemleri kullanarak değerlendirmiştir. Çalışmada, farklı veri madenciliği yöntemleri kullanarak anket sonuçlarını ve sorulan soruların yöneticiler üzerindeki etkilerini analiz etmeyi ve en iyi modeli bulmayı amaçlamaktadır.
Şengür vd. [19], yaptıkları çalışmada, veri madenciliği yöntemlerinden olan Yapay Sinir Ağları ve Karar Ağaçlarını kullanarak Fırat Üniversitesi’nde belirlenmiş bir bölümün öğrencilerinin mezuniyet notlarının tahmin edilmesi üzerine odaklanmışlardır. Çalışma sonucunda yapay sinir ağları, karar ağaçlarına oranla daha iyi sonuç vermiştir.
Yakut vd. [20], çalışmalarında, öncelikle başarılı ve başarısız işletmeleri belirleyerek istatistiksel model kurulurken kullanılacak veri setlerini oluşturmuşlardır. Oluşan verilerden yararlanılarak elde edilen İMKB’de işlem gören belirli sayıdaki sanayi işletmesinin belirli dönemler arasındaki finansal başarısızlıklarını veri madenciliği ve diskriminant analizi modelleri ile tahmin ederek hangi yöntemin daha iyi sonuç verdiğini bulmaya çalışmışlardır.
Karacan [21], çalışmasının amacından benzetim girdi modellemesini kolaylaştıracak yöntemler geliştirmek olarak tanımlamıştır. Amaca ulaşabilmek adına veri madenciliği yöntemlerini incelemiştir ve C# tabanlı (raw miner) bir araç
7
geliştirmiştir. Raw miner sayesinde bilgi ön işleme tabi tutulmuş, kümeleme analizi yapılmış ve bilgininin modellenmesi için sonuçlar görülmüştür.
Bükey [22], yaptığı çalışmada, bir vaka analizi geliştirmiştir. Bankacılık sektöründe müşteri ilişkileri yönetimi ve veri madenciliği uygulamalarının karşılaştırmalarını yapmıştır.
Duran vd. [23], çalışmalarında, bir bankanın doğrudan pazarlama kampanyası verileri, veri madenciliği yöntemlerinden olan yapay sinir ağları, lojistik regresyon ve karar ağaçları yöntemleri kullanılarak analiz edilmiştir. Çalışmadaki asıl amaç, kampanyaya katılacak hedef müşteri kitlesini belirleyebilmek için belirtilen yöntemlerin tahmin güçlerini karşılaştırarak kampanyayı en iyi tanımlayan modelin belirlenmesidir.
Alkan [24], çalışmasında, bir gezgin satıcı problemi için veri madenciliği temelli yöntem geliştirmiştir. Veri madenciliği yöntemlerinden biri olan ardışık zamanlı örüntüler tekniğine benzer bir algoritma kullanarak rassal olarak üretilen gezgi satıcı turlarında en çok tekrar eden şehir çiftleri tespit edilmiştir.
Kaya vd. [25], çalışmalarında, veri madenciliğinin açık kaynak kodlu yazılımlarından olan Keel, Knime, Orange, R, Rapid-Miner (Yale) ve Weka yazılımlarını karşılaştırmışlardır. Böylece, kullanılacak her bir veri kümesi için hangi yazılımın daha etkin sonuç vereceğini belirlemişlerdir.
Alagöz vd. [26], yaptıkları çalışmada, veri madenciliği ile muhasebe bilgi sisteminin ilişkisi ve birbiriyle hangi noktalarda kesiştiklerini incelemişlerdir. Yapılan araştırmaya göre veri madenciliği ile elde edilen veriler, muhasebe bilgi sistemi ile elde edilen kalıplaşmış bilgilere göre farklılık göstermektedir.
Sağlam [27], çalışmasında, bir perakende firmasını gruplandırmak amacıyla veri madenciliğini kullanmıştır. Mağazaları personel maliyeti benzerliklerine göre sınıflandırmak için veri madenciliği algoritmalarından olan Random Forest ve K- medoids kullanmış, sonraki aşamada veri madenciliği yazılımları olan Weka ve R’da çalıştırmıştır.
8
Dağ [28], çalışmasında, veri madenciliği tekniklerinden bahsetmiş, bankacılık ve diğer konular hakkında yapılan veri madenciliği çalışmalarını incelemiştir.
Çalışmada, edinilen banka verileri kullanılarak Weka yazılımı üzerinden veri madenciliği yapılmıştır.
Doğrul [29], çalışmasında, veri madenciliği tekniklerinden biri olan birliktelik kurallarında trafik kaza verilerinin analizini yapmıştır. Yapılan analiz sonucunda, kazaları önleyici tedbirler önermeye yardımcı olmaya çalışmıştır.
Gülmez [30], çalışmasında bir veri madenciliği tekniği olan yapay sinir ağları üzerinde yoğunlaşmıştır. Çalışmada, yeni geliştirilen ve sonuç vermede oldukça iyi olan iyon hareketi algoritması, sosyal örümcek algoritması ve stokastik fraktal arama algoritmalarının yapay sinir ağları üzerindeki olumlu etkilerini değerlendirmiştir.
Çalışma sonucunda algoritmalar için belirli karşılaştırmalar yapılmıştır.
Karalök vd. [31], çalışmalarında, sektöründe önde gelen market zinciri bir kurumdan alınan fiş verilerinden yararlanarak, müşteri alışkanlıklarını en iyi şekilde analiz edebilmek ve ulaşılabilecek en doğru ve en hızlı çözüm için veri madenciliğinde birliktelik kuralları ile market sepet analizi yöntemini kullanmışlardır.
Çalışmalarında veri madenciliği algoritmaları olan Apriori, Gri ve Carma algoritmalarında veri analizi yaptıktan sonra kıyaslama yapmışlardır.
Eker [32], çalışmasında bir eğitim yazılımından elde edilen veriler ile veri madenciliği çalışması yapmıştır. Anlamlı örüntüler çıkartabilmek adına Apriori algoritmasını kullanmıştır. Elde edilen sonuçlar, yazılımı kullanan kurum ve kişilere sunulmuştur.
Duraloğlu [33], çalışmasında, satış sonrası hizmetlerde müşteri beklentilerinden faydalanarak belirli periyotlarda anketler yapmıştır. Yapılan anketler kümeleme analizi ile ayrıştırılmış ve her küme için farklı stratejiler geliştirilmiştir. Hizmet tamamlandıktan sonra müşteri memnuniyeti ölçümü, ankete geri dönüş süresi ile beraber Anova’da değerlendirilmiş ve değişiklikler yapılmıştır.
Özçalıcı [34], çalışmasında, web kazıma tekniğini kullanarak ikinci el araba satan bir platformdan belirli miktarda değişkeni bir araya getirmiştir. Çalışmada apriori
9
algoritmasını kullanmış ve birliktelik kuralları ağ grafiği desteği ile görsellik sağlamıştır. Çalışma sonucunda, “dizel araçlar az yakar, fazla hız yapamazlar, torkları yüksektir;…” gibi anlamlı örüntüler oluşturmuştur.
Bastem vd. [35], çalışmanın amacını, sosyal medyada kullanıcıların yapmış olduğu paylaşımlar üzerinden kişilik analizi yapabilen bir yapay zeka sistemi ortaya çıkartmak olarak tanımlamaktadırlar. Kullanılacak verileri dünyaca bilinen ve yaygın bir şekilde kullanılan sosyal medya platformlarından biri olan Twitter üzerinden temin etmişlerdir. MBT1 kişilik göstergesi baz alınarak analizi gerçekleştirmişlerdir.
Orakcı [36], çalışmasında, suç bilimlerini temel alarak, veri madenciliği ve makine öğrenmesi tekniklerinden suç analizi konusunda nasıl faydalanılabileceğini açıklamıştır. Çalışmalar sonucunda Ulusal Vaka Tabanlı Raporlama Sistemi ve Küresel Terörizm Veritabanı kullanılarak tahminler ve analizler yapmıştır.
Kılıçalan [37], çalışmasında, veri madenciliğinde tahmin edici yöntemlerden olan sınıflama ve regresyon yöntemleri ele alınmış olup C0.5 karar ağacı, CHAID karar ağacı, lojistik regresyon ile Bayes ağları yöntemlerini incelemiş ve TÜİK tarafından toplanan Hanehalkı İşgücü Araştırması verilerinden yararlanarak gerçek veriler üzerinde analiz yapıp karşılaştırma yaparak modellerin başarı durumunu karşılaştırmıştır.
Deveci [38], çalışmasında, ilk olarak bir e-ticaret sitesinden alışveriş yapan müşteri portföyünü belirlemeye ve onlara uygun yeni alışveriş stratejileri belirlemeye çalışmıştır. Belirli veri madenciliği algoritmalarını kullanmıştır. Çalışmanın ikinci aşamasında, bir telekomünikasyon şirketine ait müşteri verileri üzerinde yapay sinir ağları, naive bayes, destek vektör makineleri ve lineer regresyon kullanarak müşteri ayrılma analizi yapmıştır.
Aksoy [39], çalışmasında belirli yıllar arasında Borsa İstanbul İmalat Sanayi sektöründeki işletmelerin finansal başarısızlık durumları hakkında tahmin yürütebilmek için, çok değişkenli diskriminant analizi, lojistik regresyon analizi, yapay sinir ağları, C0.5 karar kuralı türetme algoritması, sınıflandırma ve regresyon ağaçları analizlerini yapmıştır. Yaptığı çalışmada sonuç olarak, finansal başarısızlık
10
belirlemede tahmin edebilme konusunda önceki seneler için en geçerli tahmin gücüne sahip model belirlemiştir.
Yıldırım vd. [40], çalışmasında, veri madenciliği algoritmalarının performanslarının, bilgi keşfi sürecinde kullanılan bulut bilişimin ölçeklenebilirliği sayesinde arttırılabileceğini, ek olarak her yerden ulaşılabilirlik, düşük maliyet ve kolay yönetilebilirlik avantajlarının sağlanabileceğini göstermiştir. Çalışmada veri madenciliği bulut platformunda gerçekleştirilmiştir.
Budak vd. [41], çalışmanın amacını, site içi aramalar ve apriori algoritması kullanılarak web sitesi ziyaretçilerinin ihtiyaç tespitini yapabilmek adına gerçekleştirilmiş bir olay incelemesi olarak tanımlamışlardır. Çalışma Kırıklareli Üniversitesi web sitesinden alınan veriler ile gerçekleştirilmiştir. Yapılan analiz sonucunda birliktelik kuralları ile kullanılan apriori algoritması sayesinde, “ders programı”, “kayıt yenileme”, “yatay geçiş”, “harç”, “kontenjanlar” gibi tekrar eden kelime ve kelime grupları ile “ders programı ve yatay geçiş aramalarını yapan ziyaretçilerin %60’ı harç kelimesini de aratmıştır” gibi anlamlı örüntüler elde edilmiştir.
Yalçın [42], sağlık sektöründe yaptığı çalışmada, veri madenciliği teknikleri ve istatistiksel metotlar ile bir biyopsi tekniği kullanılarak elde edilen verilerle meme kanserinin önceden tahminini ve tedavi sürecinin erken başlatılmasını amaç edinmiştir. Çalışmasında belirlediği veri madenciliği algoritmalarının her biri ile analiz yapmış ve kıyaslama ile hangisinin daha iyi sonuç verdiğini tespit etmeye çalışmıştır.
İpek [43], çalışmasında, misyon ve vizyon kavramlarının işletmelerin performans ölçütlerini nasıl etkilediklerini görebilmek için veri madenciliği kullanarak çalışmalar yapmıştır.
Karaatlı vd. [44], yaptıkları çalışmada, Borsa İstanbul’da işlem gören hisse senetlerinin günlük artış, azalış ve sabit kalma durumları göz önüne alınarak bir veri seti oluşturmuşlardır. Elde edilen veri setinden anlamlı bir kümeleme oluşması ve kümelerin analizlerinin sektör ve işletme için yapılmasını amaçlamışlardır.
11
Yıldız [45], çalışmasında, UCI (University of California, Irvine) Makine Öğrenim Deposunda bulunan, Almanya’daki bir bankanın müşteri verilerinin bulunduğu veri setini veri madenciliği aşamalarından geçirerek, veriyi kullanılabilir hale getirmeye çalışmıştır. Veri ön işleme ve dönüştürme tekniklerini, Weka yazılımı kullanılarak anlamlandırmıştır. Kredi skorlama için en uygun veri madenciliği tekniğinin hangisi olduğunu belirlemek amaçlanmıştır.
Yapılan literatür araştırması sonucunda, veri madenciliği tekniklerinin güncel olarak yaygın bir şekilde her sektörde uygulandığı ve çalışmaların anlamlı sonuçlar kazandırdığı görülmüştür. Veri madenciliğinde birliktelik kuralları analizi çalışmaları da yaygın bir şekilde devam etmektedir.
12
3. SOSYAL KATMANLARA GÖRE DEĞİŞEN TÜKETİCİ ALIŞKANLIKLARI
3.1. Tüketim Kavramı
Sözlükte tüketim kelimesi, üretilen şeylerin kullanılıp harcanması, herhangi bir şeyin zamanla bitmesi anlamlarına gelmektedir. Daha geniş tabir ile tüketim, insana fayda sağlayan mal ve hizmetlerin insan ihtiyaçları doğrultusunda kullanılması demektir.
Tüketim elde edilen nihai kullanımdır.
İktisadi mal ve hizmetler kavramları, sahip olmak için karşılığında bir bedele ihtiyaç duyulan mal ve hizmetler için kullanılmaktadır. Bu mal ve hizmetler satın almak eylemini ortaya çıkartmaktadır. İnsanların ihtiyaç duyduğu, kendilerine fayda sağlayacak ve tatmin edici olabilecek ürünleri, mal veya hizmetleri, satın alıp bu doğrultuda kullanması tüketim kavramını açıklamaktadır.
İnsanlığın başlangıcından bu güne, insanların kendilerini idame ettirmelerini, yaşamlarına devam etmelerini sağlayan ve sürekliliği olan tüketmek eylemi, ihtiyaçlar doğrultusunda kullanım demektir. Gelişen ve büyüyen toplum, teknoloji, küreselleşme gibi kavramlarının hepsi tüketmek eyleminin hem kendisini hem de etki alanını ve şeklini genişletmekte ve değiştirmektedir. Tarihte Sanayi Devrimi veya Endüstri Devrimi olarak da bilinen, insan gücü ile üretim kavramının tamamen değişerek makine gücü ile üretime geçilmesi olayı üretim, üretici, tüketim ve tüketici kavramlarının hepsini kökten etkilemiştir. Üretimin gelişmesiyle beraber tüketim ve tüketici tamamen piyasaya bağlı hale gelmiştir ve tüketim artık çok çeşitli hale dönüşmüştür. Bununla beraber, insan ihtiyaçları artık, sadece ihtiyaç olarak kalmamıştır ve istek, arzu, tatmin olma, memnuniyet gibi kavramlar tüketimi şekillendirmeye başlamıştır.
1929’da, Amerika Birleşik Devletleri ile başlayan ve sonrasında küreselleşen, dünya tarihinin en elzem olaylarından biri olan Büyük Buhran yaşanmıştır. Büyük Buhran, borsanın çöktüğü, birçok banka ve şirketin battığı ve milyonlarca insanın işsiz kaldığı büyük bir ekonomik krizdir. Bu tarihten önce ekonomik olarak dikkate alınan
13
iki kavram sermaye birikimi ve üretimdir. Bu iki kavramı kullanarak rehavete kapılan ve Birinci Dünya Savaşı’ndan sonra süper güç olarak bilinen Amerika, bu kriz ile dünya çapında dev ekonomilerin çökmesine sebep olmuştur. Yaşanan bu olaydan sonra ekonominin yönü tüketim ve harcamaya dönmüştür. İlerleyen tarihlerde tüketim, daha da ön plana çıkmaya başlamış ve sadece ekonomi biliminde değil sosyoloji ve sosyal bilimlerde büyük yer kaplayan bir konu haline gelmeye başlamıştır [46].
Türk toplumunda tüketim kavramı Osmanlı döneminden bu güne kadar büyük değişime uğramıştır ve farklı olarak tüketim, ekonomik değişimlerden doğmak yerine uluslararası pazar oluşumu ve artışı durumlarından etkilenerek ortaya çıkmıştır. Batı ülkelerinde tüketimcilik kavramı, ticaretin gelişmesiyle oluşan zengin sınıfı ile başlamış ve sanayileşme ile beraber refah devlet koşullarından sonra alt tabakalara yayılmıştır. Türk toplumunda ise batı ülkelerinin aksine önce tüketim daha sonra üretim süreci başlamıştır ve üretim her zaman tüketime göre daha geri planda kalmıştır. Bu gelişme döneminde, Türk toplumunda üretim hep iç talebi karşılamaya yönelik olmuş ve uluslararası pazara dahil olabilmek için üretim gerçekleştirilememiştir [46].
Tüketim için gelişme gösteren bu dönemde asıl etken Batılı yaşam tarzını benimsemeye çalışmaktır. Oluşan sosyal katmanlardan sonra, tüketim taklit etme eylemini de içine almıştır. Sosyal katmanlarda üst tabakada yer alan topluluk, Batı’nın davranışlarını kendine empoze ederek, taklit etmeye başlamıştır. Toplumun alt tabakalarında yer alan topluluklar ise zamanla üst tabakanın değer ve davranışlarını benimsemiştir. Kısaca taklit edileni taklit etme durumu yaşanmıştır [46].
Cumhuriyet dönemi Türk toplumu için tüketim kültürü genişletmesi açısından büyük öneme sahiptir. Yaşam tarzı ve alışkanlıkların değişmesi tüketimin yönünü de etkilemiştir. Bu dönemde daha da önemlisi tüketim ürünlerinin üretilmesi konusunda büyük adımlar atışmıştır. 1950’den sonra tüketim kültürü kavramı iyice şekillenmeye başlamıştır. Dış ve iç etmenler bu konuda büyük önem taşımaktadır. Dış politikada gelişen ve hızla yayılan bir Batı kültürü ve sanayileşme devam ederken, iç
14
etmenlerde kentselleşme kendini statüsel olarak hızlıca belli etmeye başlamıştır.
Özellikle 1970’e kadar tüketim kültürünün gelişmesini ve yayılmasını etkileyen büyük sebepler vardır. Sebeplerden biri o dönemde diğer ülkeleri tarafından benimsenmiş Keynes’çi ekonomik politikasından büyük bir etkilenmenin söz konusu olmasıdır. Başka bir sebep, tarım kültürünün büyümesi ile gelirlerin artması sonucu zenginlerin çoğalarak tüketime yönelmesidir. Bir diğeri, karayollarının gelişmesi ile ulaşımın kolaylaşmasının da etkisiyle kentselleşme oranın artması ve kente gelenlerin yeni tüketim kültürünü benimsemesidir. Son olarak, dini kültürlerin kamusal alana yani eğitim ve siyaset gibi bölümlere yeniden ilişmesi önemli sebepler arasında yer almaktadır [46].
Sosyoloji, toplum yapısının insan üzerindeki etkilerini inceleyen diğer ismi toplum bilimi olan bir bilim dalıdır. Sosyolojide, bakış açılarının değişkenliğini ve altyapısal olarak izlenimsel farklılıkları ortaya koymak için paradigmalar geliştirilmektedir. Bu paradigmalar; pozitivist, eleştirel ve yorumlayıcı olarak üç başlık altında incelenmektedir. Bu sebepten, sosyal, kültürel, ekonomik gibi toplumun yapısını etkileyen bütün kavramlar bir dönem sonra sıklıkla sosyolojik altyapı olarak incelenmeye başlamış ve insan yapısıyla bu kavramlar bağdaştırılmaya çalışılmıştır.
1980’lerden sonra tüketim kavramı da sosyolojik olarak daha fazla incelenmeye başlamış ve yönünün sosyolojik etkisel olarak giderek arttığı görülmüştür. Tüketim araştırmaları paradigmalar ile beraber incelenmiştir. Pozitivist paradigmada tüketim, öngörü ve kontrol kavramları ile bağdaştırılmıştır. Başlarda pozitivist paradigmaya da iki önemli nokta üzerinde durulmuştur. Birinci yargıda tüketim hakkında fizyolojik ve biyolojik ihtiyaçların karşılanmasında tüketicilerin rasyonel kararlar vermesi şeklinde yer alırken, ikinci yargıda bu ihtiyaçlar karşılanırken öğrenme ve karar verme süreçleri nasıl ilerler sorusuna yanıt aranması söz konusudur.
1980’lerden sonra bu yargılar değişerek tüketici yönlendirilme nesnesi olmak yerine anlama nesnesi olmaya başlamıştır. İkinci olarak tüketim yorumlayıcı paradigmada incelemiştir. Yorumlayıcı paradigmada, pozitivist paradigmaya ek olarak nitel çalışmalar yer almaya başlamıştır. Yorumlayıcı paradigma, insan doğasını daha soyut olarak incelemektedir. Rasyonel bir yaklaşım sergilemediğini öne sürerek bağlı olduğu kavramları narsistik, metafiziksel, sembolik vb. kavramlarla
15
bütünleştirmektedir. Yorumlayıcı paradigmaya göre tüketim aşamalarında tüketiciler aktif katılımcılar olarak yer almaktadır. 1980’lerden sonra yorumlayıcı paradigmada ilgi, sosyoloji dışında antropolojiye de yönelmiş, aynı zamanda pazarlama için de tüketim ve tüketici davranışları hakkında yeni araştırmalara ve yorumlamalara başlanmıştır. Son olarak tüketim eleştirel paradigma olarak incelenmiştir. Bu paradigmanın amacı, tüketim araştırmalarını inceleyerek eleştirel bir yaklaşımla durumlara bakarak iyileştirme çalışmalarına destek vermektir. Bu sayede dünya daha iyi bir yer haline gelecektir anlayışı mevcuttur. Genel olarak tüketimin içine pazarlamanın da girdiği çalışmalar bu üç paradigmada görülmektedir [46].
3.2. Tüketici Davranışları
Tüketmek eyleminde olduğu gibi, tüketici kavramının da insan doğasıyla bütünleşen ve insan ne kadar gelişirse o kadar gelişen bir yapısı olduğu görülmektedir. Tüketici, üretilen ve sunulan mal ve hizmeti, edinilecek fayda doğrultusunda satın alan, kullanan ve tüketen kimselere denmektedir. Tüketim kavramının şekillenmesinde ve gelişmesinde asıl rol oynayan diğer kavram tüketici kavramıdır. Çünkü tüketici olarak adlandırılan kişi, tüketmek eylemini gerçekleştiren, zinciri oluşturan ve katılan ve toplumun oluşmasında en büyük role sahip en küçük birimdir. Satın alma işlemini gerçekleştiren diğer bir kişi müşteridir ve bu bağlamda tüketici ile aynı anlama sahip olduğu durumu oluşmaktadır. Ancak müşteri sadece satın alma işlemini gerçekleştirirken, tüketici satın alma işlemini gerçekleştirdikten sonra ek olarak fayda edinme aşamasında da yer almaktadır. Tüketim ve tüketici kavramlarının eş zamanlı olarak gelişmesi de tüketici davranışları kavramını ortaya çıkarmaktadır.
Tüketici davranışları, bir mala veya hizmete duyulan ihtiyaç ile beraber ortaya çıkan bir süreçtir. İhtiyaç duyma evresinden sonra ihtiyacın karşılandığı an ve ihtiyaç karşılandıktan sonra da devam etmektedir. Kısaca, bir karar verme süreci de denebilmektedir. Her kişi/tüketici kendine özel davranışlar sergilemektedir.
Sosyolojik, psikolojik, kültürel vb. birçok etken tüketici davranışlarının değişmesinde büyük rol oynamaktadır.
16
Tüketici davranışlarının belirli yapısal özelikleri vardır. Bunları kısaca sıralamak gerekirse;
• Tüketici davranışları, insan davranışlarının bir alt kolunu oluşturmaktadır. Bu sebepten insan davranışlarını etkileyen bütün durumlar, tüketici davranışlarını da etkilemektedir.
• Tüketici davranışları, bir eylem veya olay yerine bir süreci incelemektedir.
• Tüketici davranışları, bir amaca ulaşmak için objektif bir şekilde değerlendirilmektedir. Tüketiciler, ihtiyaçları doğrultusunda hizmet ve ürün satın almaktadır. Potansiyel olarak tüketicilerin çözümleri hizmetler, ürünler ve mağazalardan oluşmaktadır. Tüketici davranışları ise bu amaçlar doğrultusunda oluşup, süreci inceleyen bir yaklaşımdır.
• Tüketici davranışları, bir süreci temsil ettiği için satın alma ve ürün kullanıp fayda sağlama, ihtiyaçları giderme evresinden de oluşmaktadır.
Tüketiciler, tüketici davranışları sürecinde satın alma kararı aşamasında belirli faktörlerden etkilenmektedir. Bu faktörler ikiye ayrılmaktadır. İçsel ve dışsal faktörler. Tüketicilerin sosyal çevreleriyle ve çoğunlukla pazarlama ve ekonomi ile ilgili konularını dışsal faktörler incelerken; tecrübeler ve psikolojik altyapı gibi konularla içsel faktörler ilgilenmektedir. Asıl etkili olan faktörler sıralanacak olursa;
✓ Kültürel faktörler
✓ Sosyal faktörler
✓ Kişisel faktörler
✓ Psikolojik faktörler
şeklinde olmaktadır.
Kültürel faktörler
Tüketici davranışları üzerinde hatırı sayılır bir etkiye sahip olan kültürel faktörler, tüketici davranışları için tüketicinin kültürü, alt kültürü ve sosyal sınıfını incelemektedir.
17
➢ Kültür: Bir toplum bilimi terimi olan kültür, terimsel anlam olarak, tarihsel ve toplumsal gelişme süreci içinde yaratılan her türlü değerlerle, bunları kullanmada, sonraki kuşaklara iletmede kullanılan, insanın doğal ve toplumsal çevresine egemenliğinin ölçüsünü gösteren araçların tümü şeklinde tanımlanmaktadır. Kültür; örf, adet, ahlak, tutum, inanç, sanat, davranış vb.
birçok kavramı barındırmaktadır. Bu kavramlar da aynı zamanda, eğitim, sanat gibi soyut kavramlarla beraber, yiyecek, giyecek, barınma gibi ihtiyaçlardan oluşan diğer somut kavramları da içerisinde barındırmaktadır.
Yaşam koşullarını ve adaptasyonu genel dürtüde kültür belirlemektedir.
➢ Alt kültür: Bir toplumda farklı bölgelerden oluşan her alt kültür birleşerek bir toplum kültürü oluşturmaktadır. Nüfus yoğunluğunun artması ile beraber ortaya bölgesel farklılıklar çıkmıştır.. Farklılaşan bu küçük sosyal grupların bütün özellikleri alt kültürü oluşturmaktadır.
➢ Sosyal sınıf: Toplumda üye özellikleri olarak benzeyen ve belirli sınırları olan alt bölümler bulunmaktadır. Her bölüm kendine özel bir düzene sahiptir.
Bu bölümler yani sosyal sınıflar, davranışları, beğenileri, tarzları bakımından birbirine benzeyen üyelerden oluşmaktadır. Bir sosyal sınıfın belirlenebilmesi için ortak özelliklerin birkaç taneden fazla olması gerekmektedir. Pazarlama stratejisi geliştirirken sosyal sınıflar göz önünde bulunarak her sınıfa farklı bir strateji ile yaklaşmak mümkün olabilmektedir.
Sosyal Faktörler: Kültürel faktörlere ek olarak sosyal faktörler, içerisinde referans grupları, aile, roller ve statüler gibi farklı faktörleri de barındırmaktadır.
➢ Referans Grupları: Tüketicilerin düşünce tarzlarını, fikirlerini ve tercihlerini etkileyen insan gruplarına referans grubu denmektedir. Aile, yakın arkadaşlar, komşu gibi temas kurmanın zor ve zaman almayacağı kişi ve kişiler referans gruplarından üyelik gruplarını oluşturmaktadır. Yakın çevre olarak adlandırılan bu gruplar ürün veya hizmet tanıtımı konusunda bir düşünceye etki konusunda büyük rol oynamaktadır. Ünlüler olarak adlandırılan sinema ve ses sanatçıları, sporcular veya ün kazanmış dini, ticari birlikler ikincil
18
üyelik grupları olarak bilinmektedir. Giyim kuşam, hareketler, tavırlar, davranışlar, mimikler vb. özellikler bakımından özellikle çocuk ve genç yaş kesimi için oldukça büyük bir etki alanına sahiptir. Günümüzde pazarlama çalışmalarında sosyal medya aracılığı ile ikincil üyelik grupları kullanılarak tüketici eğilimleri etki altına alınmaya başlamıştır.
➢ Aile: Aile, referans grupları arasında pazarlama çalışmaları için en büyük öneme sahip faktördür. Toplumda, kişinin ilk algısı aile ortamında oluşmaktadır. Pazarlama çalışmalarında aile yapısı, örneğin eşlerin her ikisi de çalışıyorsa veya kadın çalışmıyorsa veya çocuklar öğrenim görüyorsa gibi aile yapısındaki değişiklikler, satın alma alışkanlıklarını etkileyerek “ailede kimin sözünün geçtiği” kavramını ortaya çıkartmaktadır.
Yapılan bir araştırmaya göre;
o Daha büyük çaplı (hayat sigortası, otomobil, televizyon vb.) alımlara evin beyi,
o Beyaz eşya takımları, mutfak eşyaları gibi alımlara evin hanımı,
o Tatil, ev, dış eğlenceler gibi alımlarda her iki tarafın da söz sahibi olduğu
kanısına varılmıştır.
➢ Roller ve statüler: Toplumda her birey bulunduğu grup (aile,arkadaş grubu, iş hayatı, projeler, kulüpler, organizasyonlar) içinde belirli bir role ve statüye sahiptir. Her bir grup için hem kişinin hem de grubun diğer üyelerinin yapması gereken ya da beklentisel olarak açıklanan bir takım görevleri, faaliyetleri veya davranışları mevcuttur. Kişinin grup içindeki rolü, her durumu etkilediği gibi tüketici davranışlarını da etkilemektedir.
Kişisel Faktörler: Kişisel faktörler demografik ve durumsal faktörler olarak ikiye ayrılabilir. Durumsal faktörler, insan yaşamında anlık ve beklenmedik değişimlerden oluşmaktadır. Örneğin, beklenmedik bir kazadan sonra hastaneden beklenen hizmet, ani gerçekleşen bir olaydan kaynaklı yapılacak yolculuk için satın alınan otobüs, tren
19
veya uçak bileti. Beklenmedik bir şekilde kırılan bir dişin acil bir şekilde yaptırılmak istenmesi ancak bir anda maddi sıkıntıya girip yaptırılamaması veya tam aksine maddi eksikliklerden kaynaklı satın alınamayan bir ürünün anlık bir maaş zammı sonucunda alınabilmesi gibi çok çeşit durumlar söz konusu olabilmektedir. Ancak kişinin genel tüketici davranışları durumlarını bu durumlar üzerinden incelemek doğru sonuca ulaşmak konusunda hata vermektedir. Kişisel faktörler için asıl önemli olan; yaş ve yaş dönemi, meslek, ekonomik durum, yaşam tarzı ve kişiliğinden oluşan demografik durumlardır.
➢ Yaş ve yaş dönemi: Toplumda bir kişinin yaşı ve bulunduğu yaş dönemi satın alma davranışlarının şekillenmesinde büyük rol oynamaktadır. Kişinin her yaş döneminde ihtiyaç duyacağı ürün veya hizmet değişmektedir. 3-4 yaşlarında bir çocuğun parka gitmek ihtiyacı, bir bebek için bez ve mama ihtiyacı, okul döneminde olan bir çocuğun defter, kalem ihtiyacı gibi.
➢ Meslek: Toplumda bir kişinin mesleği; ekonomi, statü, rol, sorumluluk, davranış vb. birçok konuda değişiklik sebebi olmaktadır. Bu sebeplerden satın alma kararları da büyük ölçüde etkilenmektedir. Beyaz yakalı bir çalışanın takım elbise alma ihtiyacı buna örnek olarak verilebilir.
➢ Ekonomik durum: Alım gücü, diğer bütün faktörlerden farklı olarak bir tüketicinin ürün veya hizmet seçimini en çok etkileyen faktördür. Bir kişinin alım gücü yoksa kalan bütün faktörler etkisiz olacaktır.
➢ Yaşam tarzı: Toplumda kişilerin yaşam tarzı; hayata bakışı, düşünceleri, fikirleri, alışkanlıkları ve birçok şeyi belirleyen bir durumdur. Örneğin; aylık geliri ve eğitim düzeyi aynı evli, çocuk sahibi bir kişi ile evli olmayan bekar bir kişinin satın alma alışkanlıkları tamamen farklı olmaktadır.
Psikolojik Faktörler: Kişinin kendi düşüncelerinden etkilenerek davranışsal değişime uğrama sebeplerinin tümüne psikolojik faktörler denmektedir.
20
➢ Motivasyon (güdüleme): Kişiyi harekete geçiren güçlerin bütününe denmektedir. Tatmin edilmeye çalışılan uyarılmış bir ihtiyaç olarak da tanımlanmaktadır. Güdüler, gerilim artırıcı veya azaltıcı etkilere sahiptir.
o Biyolojik güdüler: açlık, susuzluk, barınma gibi durumlar ve fizyolojik gerilimler
o Psikolojik güdüler: sevgi, saygı gibi manevi değerlerden etkilenerek ortaya çıkan gerilim durumları
o Duygusal güdüler: saygınlık, ün, beğenilme, prestij sahibi olma gibi durumlardan etkilenir.
o Mantıksal güdüler: ürün veya hizmetin somut olarak mantık çerçevesi dahilinde değerlendirilmesi sonucu ortaya çıkar.
➢ Algılama: Bir olay veya nesnenin varlığı üzerine duyular yoluyla bilgi edinme eylemidir. Algılar, güdüler ve tutumlardan etkilenerek şekillenmektedir. Bu yüzden pazarlama konusunda tüketicilerin algılarını etkileyebilecek özelliklerden faydalanmak gerekmektedir
➢ Öğrenme: Kişinin bilgi ve tecrübelerinden etkilenerek ortaya çıkan davranış değişikliği durumudur. Öğrenme, kişinin psikolojik varlığı öğrenme süreci ile ortaya çıkmaktadır. Deneyimlerin öğrenmeyi nasıl etkilediği, tüketici davranışları için önemli bir noktadır. Duyular yoluyla anlaşılabilen (ses, söz, şekil vb.) şeyler etkiyken, buna karşı gösterilen içsel veya dışsal davranışlar tepki olmaktadır. Belirli bir uyarıcıya karşı kişinin sürekli gösterdiği tepki, bir süre sonra o kişi için bir davranış haline dönüşmektedir.
➢ Tutum ve inançlar: Bir fikre veya nesneye karşı gösterilen olumlu ya da olumsuz oluşan bütün duygulara tutum denmektedir. Kişisel deneyime veya dış etkenlerden gelen bir konu hakkındaki doğru veya yanlış bilgilere, görüş ve düşüncelere ise inanç denmektedir. Pazarlamacılar, tüketiciler direkt ürün ve hizmet ile temas halinde olduğu için araştırma yaparak tüketicilerin tutumları hakkında edindiği bilgiler doğrultusunda yeni stratejiler geliştirebilmektedir [47].
21
4. VERİ MADENCİLİĞİ
4.1. Veri Madenciliğine Genel Bakış
Depolanabilen veri kavramı, günümüzde artan teknoloji ve küreselleşme ile birlikte önemini günden güne artırmaktadır. Önemi artan bu kavram beraberinde veri yığınlarını da ortaya çıkartmaktadır. Yığın denildiği zaman konu her ne olursa olsun, analiz etme veya yığını azaltma ihtiyacı doğmaktadır. Veri yığınları da olası bir şekilde sorunları da beraberinde getirmiştir.
Artan verinin getirdiği sorunlara çözüm ihtiyacı başladıkça, veri analizi sağlayacak yöntem ve araçlar ortaya çıkmaya başlamıştır. Veri Madenciliği (Data Mining) bu aşamada devreye girmektedir ve beraberinde Veri Tabanlarında Bilgi Keşfi ( Knowledge Discovery of Database) sürecini de başlatmıştır.
Kısaca yaygın kullanılan Veri Madenciliği tanımlarına yer verilmiştir.
“Veri Madenciliği, büyük miktardaki veri içinden gelecekle ile ilgili tahmin yapmaya alt yapı sağlayan bağıntı ve kuralların bilgisayar programlarından yararlanılarak ortaya çıkarılmasıdır.”
“Veri Madenciliği, büyük hacimli veri yığınları içerisinden karar alabilmek için potansiyel olarak faydalı olabilecek, uygulanabilir ve anlamlı bilgilerin çıkarılmasına verilen addır. Veri madenciliği geniş anlamda veri analiz teknikleri bütünüdür ve tek başına bir çözüm değildir. Mevcut problemleri çözmek, kritik kararları almak veya geleceğe yönelik tahminleri yapmak için gerekli olan bilgileri elde etmeye yarayan bir araçtır.”
“Varlığıyla bulunduğu yerde bir anlam ifade eden verilerin bir disiplin altında toplanarak belirli bir teknik veya teknikler kullanılarak işlenmesiyle artıklarından arındırılması sonucunda anlamlı bilgileri gün yüzüne çıkaran ve geleceğe yön verebilmemizi sağlayan ve bu sonuçlara matematiksel ve istatistiksel yöntemlerle mutlaklık kazandıran bir süreçtir.” [48]
22
Veri madenciliği tanımlarından da anlaşılacağı üzere veri madenciliği kısaca, yığın verilerden anlamlı örüntüler çıkartarak bilgiye ulaşma işlemidir.
4.1.1. Veri Tabanları ve Veri Ambarları
Düzelenmiş verilerin tamamına veri tabanı denmektedir. Veri tabanı, bir veri hakkında anlık bir şekilde istenen her ayrıntıya ulaşmaya yardımcı olan, ulaşılan veri üzerinde değişiklik yapmak istendiği zaman anlık bir şekilde bunu sağlayan ve yine tüm kullanıcılar tarafından yapılan bu değişikliğin görülmesine destek altyapıya sahip veri topluluğudur..
Veri tabanlarına en çok çalışma hayatında çok ihtiyaç duyulmaktadır. Bir şirket için iyi bir veri tabanı, sürekli çalışma süresine sahip olmalıdır. Veri tabanındaki kapanma, büyük veri kayıplarına sebep olabilmektedir. [49]
Birçok veri kaydı yapabilen yazılım mevcuttur. Ancak veri tabanı yazılımları bu yazılımlardan farklı olarak bilgiyi en hızlı şekilde düzenleyebilmektedir ve bilgi üzerinde değişim yapabilmektedir. Oracle, SQL Server, Sybase gibi çeşitli veri tabanı yazılımları vardır.
En çok bilinen veri tabanı biçimlerinden birisi çevrim içi işlem yapabilen OLTP (On Line Transactional Processing – Çevrimiçi İşlem İşleme) sistemidir. Bu sistemler genellikle veri girişi, veri güncelleme ve veri silme işlemlerinde kullanıcıya destek sağlamaktadır.
Veri analizi ve raporlama konularında veri ambarları devreye girmektedir.
Raporlama ve analiz çıktıları günümüzde bilinen ismi ile PDF dosyaları gibi, değişken değil aksine sabit ve tek seferlik bir durum göstermektedir.
Veri tabanları olarak OLTP sistemleri tercih edilirken, veri ambarları sistemlerini çoğunlukla OLAP (Online Analytical Processing – Çevrimiçi Analitik İşleme) dosyaları tercih edilmektedir.
23 4.1.2. Veri Tabanlarında Bilgi Keşfi
Veri madenciliğiyle veri tabanlarında bilgi keşfi isimsel olarak birbirlerine benzediklerinden çoğu zaman aynı kavramlar kullanılabilmektedir. Ancak veri madenciliği, veri tabanlarında bilgi keşfinin 5 aşamasından yalnızca bir katmanını oluşturmaktadır.
Tanımlanmış problem ve problemden elde edilen hedef veri belirlendikten sonra veri tabanlarında bilgi keşfi aşamaları şu şekilde devam etmektedir;
• Veri ön işlemleri (data preprocessing);
Bu aşamada kirli veri kavramı yer almaktadır. Veri temizleme yani, kirli kalabalık veriden anlamlı veriler elde etme çalışmaları yapılmaktadır.
Daha sonra bu veriler birleştirilir.
• Veri seçme ve dönüştürme (data selection);
Elde edilen verilerin veri madenciliği çalışmasına uyumlu olması için bu aşamada yeniden ön işleme çalışmaları yapılır. Bu ön işlemler şunlardır;
▪ Veri madenciliği konusu ile ilgili bilgi seçimi
▪ Madencilik yapılacak veri türünün belirlenmesi
▪ Veriler arasındaki hiyerarşik yapının ve genellemenin belirlenmesi
▪ Veri madenciliği sonunda bulunacak bilgi için yenilik ve ilginçlik ölçümü yöntemlerinin belirlenmesi
▪ Veri madenciliği sonunda bulunacak veri için sunum ve görselleştirme araçlarının belirlenmesi.
• Veri madenciliği;
Ön işlemler sonucu elde edilen verilerden anlamlı örüntüler çıkarmayı sağlayan aşamadır.
24
➢ Örüntü değerlendirme (pattern evaluation)
İkinci aşamada yapılan ilginçlik ölçümünün yeniden veri madenciliği sonucu elde edilen örüntülere yapıldığı aşamadır. Elde edilen örüntülerin ne kadar faydalı ve farklı olduğunu görebilmek adına yapılmaktadır.
➢ Bilgi sunumu (knowledge presentation)
Analizi yapılmış verilerin görselleştirme ve raporlaştırma araçları kullanılarak sunumlarının sağlanması aşamasıdır.
Veri tabanlarında bilgi keşfi süreci, aşamaları arasında sürekli olarak veri akışı olan, ileriye ve geriye doğru hareket edebilen bir yapıya sahiptir.
4.1.3. Veri Madenciliği Tanımları
Veri madenciliğinde ön plana çıkan tanımlardan bazıları şunlardır:
➢ Veri
Veri, işlenmemiş, tek başına anlam ifade etmeyen, ham gerçek enformasyona sahip en küçük parçacığa denmektedir. Veriler iki şekilde adlandırılmaktadır: nicel veriler ve nitel veriler. Nicel veriler, ölçüm ya da sayım yoluyla elde edilmektedir. Nitel veriler ise sayısal değer içermeyen verilere denmektedir.
➢ Veri seti
Elde edilen verilerin toplamına veri seti denmektedir. Veri setleri, veriler hakkında belirli özellikleri göstermektedir.
Belirli aşamalardan geçip anlamlandırılmış ve ilişkilendirilebilen, düzenlenmiş bilgi parçasına enformasyon denmektedir.
25
➢ Bilgi
Dönüştürülmüş ve anlamlandırılmış veriye bilgi denmektedir.
Deterministik bir sürece sahip olan bilgi, yapılacak şeye karar vermek aşamasında yardımcı olmak için kullanılan bir araç olarak görülmektedir [50].
➢ Üst Bilgi
Bilgilerin analizi ve sentezlenmesiyle oluşan yeni kavram üst bilgidir [50].
Şekil 4. 1. Bilgi Hiyerarşisi [50]
➢ Örnek
Madencilik aşamalarında kullanılan genel olarak girdilerin bütününe durum veya örnek denir. Örneklerin her biri farklı gözlemler için kullanılmaktadır. Bir sistem için girdi olarak kullanılan örnekler, veri madenciliğinde, genelleştirilmiş bir modeli oluşturma safhasında değerlendirilmektedir.
26
➢ Nitelik
Genel olarak değişken veya değişebilen durumların belirli zamanlar arasında sahip oldukları durumlara nitelik denir. Değişken, karakteristik, alan, özellik veya boyut tanımları niteliğin diğer isimleridir.
➢ Model
Veri madenciliği modeli, kısaca ilişki tablosuna benzemektedir. Her model, bağlı olduğu veri madenciliği algoritması ile bir ilişki içindedir [51].
➢ Vakalar
Vaka, TDK’de kelime anlamı olarak “olay” şeklinde tanımlanmıştır. Veri madenciliğinde vakalar analizi yapılacak olaylar ve olay örgüleri bütünüdür. Vaka, bilgiye ulaşmak için elde edilmesi gereken bilgi parçacığıdır.
4.2. Veri Madenciliği Modelleri ve Teknikleri
Veri tabanlarında bilgi keşfi aşamalarından biri olan veri madenciliği, büyük ölçekli verilerden anlamlı örüntüler elde edilmesini sağlayan adımlardan bir tanesidir.
Bu süreçte kullanılabilecek veri madenciliği modeli veya tekniği, uygulanacak olan verinin yapısına, tipine, girdi ve çıktılarının türüne ve ulaşılmak istenen sonucun çeşidine göre şekillenmektedir.
Veri madenciliğinde çeşidine göre ayrılan teknikler tahmin edici ve tanımlayıcı olmak üzere iki ana grupta incelenmektedir.
27 Çizelge 4. 1. Veri Madenciliği Teknikleri
Tahmin Edici Modeller Tanımlayıcı Modeller
Sınıflandırma Kümeleme
Karar Ağaçları Birliktelik Kuralları ve Ardışık Örüntüler Yapay Sinir Ağları
Genetik Algoritmalar Naive – Bayes K – En Yakın Komşu Bellek Temelli Nedenleme Regresyon
4.2.1. Tahmin Edici Modeller ve Teknikler
Tahmin edici modeller, daha önceden üzerinde çalışılmış ve belirli sonuca ulaşılmış verilerden yararlanarak eldeki sonuçları bilinmeyen verilere göre bir model geliştirilmesi ve sonuçlarının tahmin edilme aşamalarında kullanılmaktadır. Örneğin, bir fabrika sipariş üzerine üretim yapmaktadır. Belirli bir zamana kadar olan sipariş kayıtları ve üretim miktarı üzerinden, bir sonraki dönem veya dönemlere ait gelebilecek sipariş miktarlarına üretilecek ürün miktarı ya da stok kullanılıyorsa elde bulundurulması gereken stok adedi gibi bilgiler, eski veriler kullanılarak oluşturulacak yeni model sayesinde tahmin edilebilmektedir.
4.2.1.1. Sınıflandırma
Sınıflandırma kısaca, düzenlemek, tasnif etmek ve ayırmak anlamlarına gelmektedir.
Veri madenciliğinde ise sınıflandırma, belirli özelliklere göre sınıflara ayırmak ve yeni gelen her verinin kendi özelliklerine göre atanmasını sağlama işlemidir.
28
Bir ürünün yapısı ve özellikleri ile alıcı yani müşteri özelliklerinin kesişmesi esnasında sınıflandırma kullanılabilir. Bu sayede uygun müşteri için uygun ürün veya uygun ürün için uygun müşteri bağıntıları elde edilebilmektedir.
8-14 yaş aralığında bulunan müşteriler çoğunlukla çikolata-bisküvi-gofret reyonlarını tercih etmektedir.
40-55 yaş aralığındaki kadın müşteriler genellikle züccaciye reyonlarını tercih etmektedir.
Gibi bağıntılar elde edilebilmektedir ve bu bağıntılar sayesinde müşteriye hitap eden ürünler belirlenebilmektedir.
4.2.1.1.1. Karar Ağaçları
Karar ağaçları kolay ulaşılması, yorumlanması, eldeki veriye kolaylıkla uyum sağlayabilmesi ve güvenilir bir veri madenciliğinde sınıflandırma tekniklerinden biri olduğundan en fazla kullanılan ve tercih algoritmalardan biri haline gelmiştir.
Karar ağaçları yapısal olarak ağaç diyagramlarına benzemektedir. Kök düğüm ile başlar ve yaprak düğüm ile son bulur. Her dal bir kuralı oluşturmaktadır. Şekil 4.2’de karar ağacı yapısı görülmektedir.
Sınıflandırma işlemi karar ağaçları kullanılarak iki aşamada yapılmaktadır. Birinci aşama öğrenme aşamasıdır. Geçmişten elde edilmiş bir öğrenme veri seti kullanılarak model oluşturulur. Öğrenilmiş model sayesinde karar ağacı oluşmuş olur ve bu da sınıflandırma kurallarını oluşturur. İkinci aşamada oluşmuş modelin doğruluğunun test edilmesi vardır. Belirlenmiş bir test verisi ile kuralların doğruluğu denendikten sonra elde edilen sonuç pozitifse yani kabul görür seviyede ise kullanılan kurallar analizi yapılıp sınıflandırılacak yeni veriler üzerinde kullanılabilir, denmektedir.
29 Şekil 4. 2. Karar Ağacı Yapısı
4.2.1.1.2. Yapay Sinir Ağları
Zeka, zihnin öğrenme, öğrenilen şeylerden çıkarım yapabilme, uyum sağlayabilme ve her şey için çözüm üretebilme yeteneklerinin bütünüdür. Kısaca zihnin bir uyum içinde çalışma kabiliyetidir.
İnsan beyninin zekası, nasıl öğrendiği ve tecrübe ettiği gibi durumlar merak edilmeye başladıkça yapılan çalışmalar yapay zeka bilimi ortaya çıkarmıştır. Yapay sinir ağları yapay zeka teknolojilerinin en çok bilinen yöntemlerinden bir tanesidir.
Yapay sinir ağları bilgisayarların insan beyni gibi olayları öğrenmesi ve çözümlemesi üzerine çalışan bir tekniktir. Anlamsız, karmaşık veriden anlamları çözümler, veriler çıkartma işlemi yapmaktadır. Karmaşıklığa karşı sağladığı uyum ile diğer bilgisayar teknolojilerinden çok daha iyi sonuç vermektedir. Tamamen insan beynine benzetilerek oluşturulan yapay sinir ağlarının alt yapısı da öğrenmeye dayanmaktadır. Yapay sinir ağlarında öğrenme aşamasında, sonucu belirli girdiler kullanılmaktadır. Modele hem girdiler hem de çıktılar aynı anda girilmektedir. Bu sayede yapay sinir ağları girdi ve çıktı analizi yaparak problem çözümünü için elde etmesi gereken ilişkileri edinmiş olacaktır. Ne kadar çok öğrenme verisi kullanılırsa öğrenme yetisi o kadar artmaktadır. Sonraki aşama test aşamasıdır. Öğrenmenin
